Caracterización de la fragilidad mediante la identificación de biomarcadores de imagen y análisis de su valor pronóstico en pacientes sometidos a implante percutáneo de prótesis valvular aórtica

Abstract

[ES] La estenosis aórtica es una afección grave y cada vez más prevalente en poblaciones de edad avanzada. Con el envejecimiento de la población y los avances en la medicina, los procedimientos mínimamente invasivos como el implante percutáneo de prótesis válvula aórtica (IPPVA) se han convertido en una opción de tratamiento de primera elección. No obstante, el proceso de selección de pacientes y la predicción de resultados pueden obtener grandes beneficios al considerar la fragilidad del paciente. La fragilidad se evalúa mediante una escala que abarca del 1 al 5. La dificultad radica en que hasta el momento esta escala tiene cierto componente subjetivo. Se buscan biomarcadores a partir de imágenes de TC capaces de caracterizar la fragilidad de manera objetiva. El uso de técnicas de inteligencia artificial (IA) automatiza y mejora la precisión de la identificación de estos biomarcadores. El estudio ha utilizado un conjunto de datos de tomografía computarizada preoperatoria de pacientes sometidos a IPPVA. Mediante el uso de técnicas avanzadas de procesamiento de imágenes y algoritmos de aprendizaje automático, el objetivo principal era desarrollar un modelo capaz de identificar y correlacionar biomarcadores de imagen con la escala de fragilidad. La validación del modelo fue llevada a cabo utilizando un conjunto de datos de prueba independiente. Además de la identificación de biomarcadores, el trabajo también exploró la potencial aplicación de estas técnicas de IA en la práctica clínica diaria. En particular, se investigó cómo la implementación de estos modelos puede mejorar la toma de decisiones médicas, priorizar de intervenciones, predecir los resultados y optimizar recursos, lo que en última instancia contribuirá a una mejora calidad de atención y resultados clínicos para los pacientes. Como resultados del trabajo se consiguió desarrollar dos modelos de inteligencia artificial, uno con un enfoque de clasificación y otro de regresión, donde el de clasificación obtuvo resultados más favorables, prediciendo de manera más precisa la fragilidad de los pacientes. Concretamente, dicho modelo de clasificación ha llegado a un 62% de acierto en la clase de fragilidad a la que pertenece el paciente. Sin embargo, se alcanzó un 90% de accuracy en la tarea de clasificar a los pacientes entre frágiles o no frágiles. No obstante, cabe destacar que con más entrenamiento y un mayor número de datos, los resultados del modelo se verían beneficiados.

[EN] Aortic stenosis is a serious and increasingly prevalent condition in elderly populations. With the aging of the population and advances in medicine, minimally invasive procedures such as transcatheter aortic valve implantation (TAVI) have become a first-choice treatment option. However, patient selection and outcome prediction processes can greatly benefit from considering patient frailty. Frailty is assessed using a scale ranging from 1 to 5. The challenge lies in the fact that this scale currently has a certain subjective component. Biomarkers derived from CT images capable of objectively characterizing frailty are sought. The use of artificial intelligence (AI) techniques can automate and improve the accuracy of identifying these biomarkers. The study used a dataset of preoperative computed tomography scans of patients undergoing TAVI. By using advanced image processing techniques and machine learning algorithms, the objective is to develop a model that can identify and correlate imaging biomarkers with the frailty scale. Model validation was conducted using an independent test dataset. In addition to biomarker identification, the project also explored the potential application of these AI techniques in daily clinical practice. In particular, it was investigated how the implementation of these models can enhance medical decision-making, prioritize interventions, predict outcomes, and optimize resources, ultimately contributing to improved quality of care and clinical outcomes for patients. As a result of the work, two artificial intelligence models were developed, one with a classification approach and the other with a regression approach. The classification model achieved more favorable results, predicting patient frailty more accurately. Specifically, the classification model reached a 62% accuracy in predicting the frailty class to which the patient belongs. However, it achieved 90% accuracy in classifying patients as frail or non-frail. It should be noted, though, that with more training and a larger dataset, the model’s results would improve.